Recently, a new learning algorithm

Recently, a new learning algorithm for the feedforward neural network named the extreme learning machine (ELM) which can give better performance than traditional tuning-based learning methods for feedforward neural networks in terms of generalization and learning speed has been proposed by Huang et al. In this paper, we first extend the ELM algorithm from the real domain to the complex domain, and then apply the fully complex extreme learning machine (C-ELM) for nonlinear channel equalization applications. The simulation results show that the ELM equalizer significantly outperforms other neural network equalizers such as the complex minimal resource allocation network (CMRAN), complex radial basis function (CRBF) network and complex backpropagation (CBP) equalizers. C-ELM achieves much lower symbol error rate (SER) and has faster learning speed. r 2005 Elsevier B.V. All rights reserved.

Kết quả (Việt) 1:

Gần đây, một thuật toán học mới cho mạng nơ-ron feedforward, đặt tên máy cực học tập (ELM) có thể cung cấp cho hiệu suất tốt hơn so với truyền thống điều chỉnh dựa trên học phương pháp cho mạng nơ-ron feedforward trong điều khoản của tổng quát và học tốc độ đã được đề xuất bởi Hoàng et al. Trong bài báo này, chúng tôi lần đầu tiên mở rộng các thuật toán ELM từ miền tới vùng phức tạp, và sau đó áp dụng đầy đủ phức tạp cực học máy (C-ELM) cho các kênh phi tuyến bằng ứng dụng. Kết quả mô phỏng cho thấy rằng bộ chỉnh âm ELM đáng kể nhanh hơn so với các mạng nơ-ron equalizers chẳng hạn như mạng lưới phân bổ nguồn lực tối thiểu phức tạp (CMRAN), cơ sở phức tạp xuyên tâm chức năng (CRBF) mạng và phức tạp backpropagation (CBP) equalizers. C-ELM đạt được nhiều thấp tỷ lệ lỗi biểu tượng (SER) và đã học nhanh hơn tốc độ. r 2005 Elsevier B.V Tất cả các quyền.

Kết quả (Việt) 2:

Gần đây, một thuật toán học mới cho các mạng truyền thẳng tên là máy học tập cực (ELM) mà có thể cung cấp hiệu suất tốt hơn so với phương pháp học tập điều chỉnh dựa trên truyền thống cho các mạng truyền thẳng về tổng quát và học tập tốc độ đã được đề xuất bởi Huang et al. Trong bài báo này, trước tiên chúng ta mở rộng thuật toán ELM từ miền thực sự cho lĩnh vực phức tạp, và sau đó áp dụng đầy đủ phức tạp học máy cực (C-ELM) cho các ứng dụng cân bằng kênh phi tuyến. Các kết quả mô phỏng cho thấy equalizer ELM việc tốt hơn đáng kể bộ cân bằng mạng lưới thần kinh khác như mạng lưới phức tạp tối thiểu phân bổ nguồn lực (CMRAN), hàm cơ sở xuyên tâm phức tạp (CRBF) và mạng lan truyền ngược phức tạp (CBP) equalizers. C-ELM đạt được tỷ lệ lỗi ký hiệu thấp hơn nhiều (SER) và có tốc độ học tập nhanh hơn. r 2005 Elsevier BV Tất cả quyền được bảo lưu.